摘要：为了适应航空航天领域高分辨率图像识别和本地化高效处理的需求,解决现有研究中计算并行性不足的问题,在对深度卷积神经网络模型各层计算优化的基础上,设计了一款可扩展的多处理器簇的深度学习超长指令字(VLIW)处理器体系结构。设计中采用了特征图和神经元的并行处理,基于VLIW的指令级并行,多处理器簇的数据级并行以及流水线技术。FPGA原型系统测试结果表明,该处理器可有效完成图像分类和目标检测应用;当工作频率为200 MHz时,处理器的峰值性能可以达到128 GOP/s;针对选取的测试基准,该处理器的计算速度至少是CPU的12倍,是GPU的7倍;对比软件框架运行结果,处理器的测试精度的平均误差不超过1%。

摘要：校企合作对高职人才培养起着至关重要的作用,如何克服高职动漫专业校企合作共建实训基地存在的问题,是一个亟待解决的课题。笔者对高职动漫专业校企合作共建实训基地长效机制做初步探讨。

摘要：为了解决由于DICOM数据量大且数据结构复杂,导致图像目标几何尺寸测量错误的问题,设计开发了一种基于三维数据重建与目标定位的DICOM图像分析测量系统。首先,采集原始图像和分析原始数据结构,基于开源图像库ITK解析DICOM图像,读取到系统软件内存中,显示在自主开发软件界面上;然后,对DICOM图像进行三维化处理,分解为一系列图像,检测目标所在帧;随后,结合拉普拉斯增强算法与伽马变换函数,设计定位模型,完成目标定位与测量,输出定位图像与测量计算结果;最后,在QT开发平台上利用C++语言调用ITK开源库函数编程实现算法。结果表明:与当前DICOM图像分析系统相比,所提方案具有更高的测量精度与稳定性。

摘要：本文通过对高职图形图像制作工作室制人才培养模式的教学研究的实践,论述了我国高职图形图像制作专业教学现状,根据高职图形图像制作人才的特点,以相关院校的运作为案例,提出了如何自建的图形图像制作工作室管理新模式,"工作室制"产学研结合育人才的探索,突出专业特色,解决教学中实践课程脱离社会要求,探索图形图像制作专业新的教学模式,培养合格的应用型人才。

摘要：针对企业用人需求,高职院校的人才培养模式对应其发展进行修改,制定出基于能力为导向的高职实践课程,在课程中选取模拟真实项目或者真实项目来对学生进行专业课教学,提高兴趣度及贴近就业岗位能力,这样毕业生实际工作经验就得到提升,从而提高了就业率。

摘要：文中提出了一种基于深度学习与板卡控制的AOI识别算法。首先,基于卷积神经网络模型和AOI识别问题,对模型方程进行分析,选用卷积网络模型,建立识别方法。然后,结合深度神经网络模型,通过对训练样本的归一化与二分类处理,对AOI进行预训练。随后,将训练样本分组,有放回式的逐组加入模型训练,得到新的识别模型,并通过代码工程化来实现。然后,引入板卡技术,有机组合IO卡、运动控制卡和独立图像显卡,根据每种板卡优势和特性,设计系统框架,支持系统的自动化与高速化运行。最后,整合软硬件,建立识别系统,并进行实地场景应用测试,实验结果显示:较已有的相关AOI技术相比,所提算法具有更高的识别稳定性和可重复性,为智能制造设备提供算法和系统基础。

摘要：针对图像目标检测的嵌入式实时应用需求,采用合并计算层的方法对基于MobileNet和单发多框检测器(SSD)的深度学习目标检测算法进行了优化,并采用软硬件结合的设计方法,基于ZYNQ可扩展处理平台设计了实时图像目标检测系统;在系统中,根据优化后的算法设计了一款多处理器核的深度学习算法加速器,并采用PYTHON语言设计了系统的软件;经过多个实验测试,深度学习目标检测系统处理速度可以达到45FPS,是深度学习软件框架在CPU上运行速度的4.9倍,在GPU上的1.7倍,完全满足实时图像目标检测的需求。

摘要：针对原有自动售货机在线支付系统在展开刷脸支付时,仅对正向人脸图像展开识别,造成其它方向图像识别较低的问题,引用人脸识别技术,设计基于人脸识别的烟草自动售货机在线支付系统。设计人脸图像设计设备以及中央处理器,将其引用至原有系统硬件框架中,完成系统硬件设计。以上述硬件框架为基础,使用AdaBoost算法完成人脸图像的检测,采用K-L算法实现对人脸的识别。将完成处理后的人脸识别结果,结合烟草交易信息构建交易信息数据表,将此表格发送至支付后台,完成在线支付。至此,基于人脸识别的烟草自动售货机在线支付系统设计完成。构建系统测试环节,与原有在线支付系统相比,此系统多角度人脸有效识别率为96%~100%,原有系统多角度人脸有效识别率仅为66.6%。综上可知,此在线支付系统使用性能优于原有系统。

摘要：为了解决当前目标轮廓检测算法在边缘特征微弱、背景复杂环境下的轮廓提取精度较低的不足,设计了基于图像增强与边缘检测的目标轮廓检测算法。首先,基于拉普拉斯离散公式与二维傅里叶变换公式,构造了联合图像增强算子;然后,基于二阶导数梯度特征,设计了目标边缘检测算子,实现对目标周长、面积等参数的测量。实验数据显示:与当前目标轮廓提取算法相比,面对不利于测量工作的恶劣环境时,所提算法具有更高的提取精度与稳定性。

摘要：为了解决当前焊缝缺陷检查算法在焊缝缺陷特征微弱、背景复杂的环境下,导致其缺陷漏检的不足,本文设计了基于水平集与强分类器Adaboost的焊缝图像缺陷检查算法。首先,设计水平集迭代轮廓线,制定演化收敛停止条件,定位出焊缝准确位置,并提取其轮廓;然后计算轮廓几何特征,建立基于Ada Boost的分类器,完成对缺陷的确认和分类。实验数据显示:与当前工件表面焊接缺陷检查技术相比,面对缺陷特征微弱、背景复杂环境时,本文算法具有更高的检测精度,能准确定位识别焊缝缺陷。